R #1library(readr)
library(zoo)
library(astsa)
Nice : https://drive.google.com/file/d/1QYI5dGRSb8jY2kxWyIOWhudSLalQt9Q5/view?usp=sharing
Paris : https://drive.google.com/file/d/1Ptq3-aA2yFsw1nL3V0fPZ2-l81_J7VkX/view?usp=sharing
abline().Tout d’abord, un chunk pour le chargement des données :
InsoNice <- read_delim("~/My Drive/Projets/P8 Cours/2024-2025/S2/M1 79.5 - Econometrie des Series Temporelles/EdST M1 MBFA/EdSTgit/Data/SH_MIN006088001.csv", # "chemin d'acces aux donnees"
delim = ";", escape_double = FALSE, col_types = cols(YYYYMM = col_date(format = "%Y%m")),
comment = "#", trim_ws = TRUE)
InsoParis <- read_delim("~/My Drive/Projets/P8 Cours/2024-2025/S2/M1 79.5 - Econometrie des Series Temporelles/EdST M1 MBFA/EdSTgit/Data/SH_MIN175114001.csv", # "chemin d'acces aux donnees"
delim = ";", escape_double = FALSE, col_types = cols(YYYYMM = col_date(format = "%Y%m")),
comment = "#", trim_ws = TRUE)
Nice = InsoNice$VALEUR
ts_Nice <- zoo(InsoNice$VALEUR, order.by = InsoNice$YYYYMM)
# ou
NiceDate = InsoNice$YYYYMM
Paris = InsoParis$VALEUR
ts_Paris <- zoo(InsoParis$VALEUR, order.by = InsoParis$YYYYMM)
# ou
ParisDate = InsoParis$YYYYMM
moyenne_Nice <- mean(ts_Nice)
moyenne_Paris <- mean(ts_Paris)
par(mfrow=c(2,1))
tsplot(ts_Nice,
main = "Durées d'insolation (Nice)",
xlab = "Années",
ylab = "Heures et 1/10",
col = "darkblue")
abline(h = moyenne_Nice, col = "blue", lty = 3, lwd = 2)
tsplot(ts_Paris,
main = "Durées d'insolation (Paris)",
xlab = "Années",
ylab = "Heures et 1/10",
col = "darkblue")
abline(h = moyenne_Paris, col = "red", lty = 3, lwd = 2)
Simulez un processus complètement aléatoire de 51 observations avec des valeurs indépendantes pour ces “distributions” :
Tracez le graphique de la série temporelle. Cela semble-t-il « aléatoire » ? Répétez cet exercice plusieurs fois avec une nouvelle simulation à chaque fois.
par(mfrow=c(2,2))
tsplot(runif(100), main="White Noise")
tsplot(rnorm(51), main = "Normale")
tsplot(rchisq(51, 2), main = "Chi-deux")
tsplot(rt(51, 5), main = "Student")